foto: shutterstock.com

Segmentation, profiling, targeted marketing, churn prediction, process mining en market basket analysis … De stroom buzzwords is eindeloos. Maar hoe kijk je in de zee aan data nu naar wat echt relevant is om met je bedrijf een stap voorwaarts te zetten? Bram Vanschoenwinkel van AE Architects for business & ICT ontwikkelde voor Kluwer de cursus ‘Data Analytics voor Marketeers’. Vanuit de overtuiging dat analytics marketeers moet helpen hun klanten beter te begrijpen en op een gerichte manier acties te ondernemen, legt hij de vier stappen uit die nodig zijn om inzicht uit data te halen.

“Wat is analytics dan precies?” vraagt Bram Vanschoenwinkel zich hardop af om de vraag direct te beantwoorden: “Bij analytics ga je statistische methodes toepassen om onderliggende patronen en relaties in data bloot te leggen. Maar dat op zich, daar ben je natuurlijk niet zoveel mee.

Wat voor een beslissingsnemer echt belangrijk is, is dat die effectief inzichten uit die data kan halen waarop hij acties kan ondernemen.

Als je een analytics model maakt om cross selling te gaan doen, is het zaak dat een callcenter operator op zijn scherm te zien krijgt welk product hij een klant kan voorstellen, omdat er een hogere waarschijnlijkheid is dat die klant in dat product geïnteresseerd is. Dat maakt inzichten uit data tastbaar en actionable.”

Stap 1. Data-exploratie

“Wat we nu zien, is dat klanten elke keer dat ze met een bedrijf in interactie gaan een digitale voetprint achterlaten,” stelt Bram, “bij data-exploratie gaat het om het begrijpen van die data”.

Hij onderscheidt daarbij vier variabelen om klanten te beschrijven: demografische, geografische, gedrags- en psychografische variabelen. De eerste twee, de demografische en geografische gegevens van klanten zitten heel vaak al in de CRM-databases van bedrijven.

“Veel interessanter,” zo zegt Bram, “zijn de gedrags- en psychografische variabelen, die iets zeggen over het gedrag en de meningen van klanten.

Die gedragsvariabelen gaan bijvoorbeeld over hun gebruik van mobiel internet en hun betaalgedrag. Dan kunnen we gaan kijken naar de evolutie van hun facturen. Betalen ze op tijd of betalen ze niet op tijd? Zien we daar een evolutie in? Daar waar ze vroeger altijd op tijd betaalden, betalen ze nu te laat. Via welke kanalen communiceren ze met het bedrijf. Doen ze dat via de klassieke zenders of gaan ze online met het bedrijf in interactie. Dat zegt allemaal iets over het gedrag van klanten tegenover het bedrijf.

De psychografische variabelen zijn de moeilijkst te bekomen gegevens. Dat zijn gegevens van bijvoorbeeld Twitter, Facebook, Snapchat … Daaraan zie je wat je klanten bezighoudt. Wat zijn de dingen die ze liken? Zo kun je je een idee gaan vormen of iemand geïnteresseerd is in sport of graag lekker gaat eten.”

Stap 2. Data-transformatie

Bram: “De manier waarop we data aangeleverd krijgen, is meestal niet direct bruikbaar. Je hebt daar numerieke variabelen, getallen dus, zoals inkomen en je hebt categorische variabelen, bijvoorbeeld man of vrouw. En sommige van die variabelen hebben een hele grote range, bijvoorbeeld van 0 tot 100.000, terwijl andere in een range van 1 tot 5 zitten. Al die data moet getransformeerd worden tot numerieke variabelen, waarbij de grootteorde van de range waar de variabelen in vallen ongeveer hetzelfde moet zijn.

Als die data is geëxploreerd en getransformeerd, kun je daar concreet een aantal analysetechnieken op gaan toepassen.”

Stap 3. Predictieve en descriptieve analysemodellen

Bram: “Bij predictieve modellen gaan we voorspellen. We gaan kijken naar de data en de historiek in die data. Op basis van de historiek gaan we proberen voorspellingen te doen over de toekomst.

Een voorbeeld daarvan is churn prediction: we hebben de variabelen die onze klanten beschrijven en we weten welke klanten het bedrijf in het verleden hebben verlaten. Een predictief model laat ons dan toe de kans of het risico dat huidige klanten ons gaan verlaten te berekenen. Zo kun je ook een predictief model bouwen om te voorspellen of klanten een bepaald product willen gaan kopen of niet.”

Voorwaarde is wel dat je over die historische data beschikt. Beschik je niet over die gegevens, dan moet je descriptieve modellen gaan maken. Die gaan niet zozeer iets voorspellen, maar die gaan onderliggende patronen in de de data beschrijven, zoals customer segmentation en profiling. Je gaat dan je hele klantenbestand opdelen in bepaalde segmenten. Een segment bevat een aantal klanten die gelijkaardig gedrag vertonen.

Stap 4. Modelevaluatie

Bram: “Bij modelevaluatie gaan we kijken hoe correct het model is. Je hebt daar twee aspecten aan: als eerste de theoretische correctheid van het model: is de output van een model statistisch significant? Dat kun je doen door bijvoorbeeld random bepaalde klanten te targetten tegenover het model dat je gebruikt. Is het verschil in performantie dan statistisch significant ten aanzien van de manier waarop het vroeger werkte.

Het tweede aspect is: hoeveel heeft het op het einde van de rit nu effectief opgebracht? Dat is wat je nadien moet controleren met een controlegroep om zo te zien of je predictieve of descriptieve model effectief meer opbrengt dan het vroeger deed.

Zelf aan de slag met data-exploratie, data-transformatie en predictieve en descriptieve modellen? De cursus ‘Data analytics voor Marketeers’ is gericht op marketing & IT-professionals  en iedereen die met klantenbeleving en/of klantendata bezig zijn en zich willen verdiepen in de mogelijkheden van data analytics voor de data van hun eigen klanten. Meer info over de 2-daagse cursus Data Analytics voor marketeers kan je hier vinden.